Can We Fix Social Media? Testing Prosocial Interventions using Generative Social Simulation

社交媒体平台普遍被认为与诸多社会危害有关，包括日益加剧的政治极化以及建设性讨论的减少。这些问题能否通过亲社会的干预措施得到缓解？我们采用一种新方法——生成式社会模拟——来探讨这一问题，该方法将大语言模型嵌入基于主体的模型中，从而创建出具有丰富社会互动的合成平台。我们构建了一个最简化的平台，允许智能体发帖、转发以及关注他人。研究发现，由此形成的关注网络再现了三种已有充分记录的不良现象：（1）党派回音室效应；（2）影响力集中在少数精英群体手中；（3）极端化声音被放大，形成一个扭曲政治讨论的“社交媒体棱镜”。我们测试了六种被提出的干预措施，从按时间顺序排列的信息流到促进跨群体连接的算法，结果发现仅能带来有限的改善，有些干预甚至导致情况恶化。这些结果表明，这些核心问题可能源于互动性参与与网络增长之间的反馈机制，这意味着要实现有意义的改革，可能需要重新思考平台架构的基本运作机制。

论文试图解决社交媒体平台引发的社会问题，包括日益加剧的两极分化、建设性讨论的减少以及信息回音室效应等。这些问题是否可以通过亲社会干预手段得到缓解，是论文主要验证的假设。这是一个当前人工智能与社交媒体交叉领域的重要新问题。

论文提出了一种新颖的方法——生成式社会模拟（Generative Social Simulation），将大语言模型（LLM）嵌入基于主体的模型（Agent-Based Models）中，构建具有社会复杂性的合成社交媒体平台。通过这种模拟方式，研究者可以在可控环境中重现并测试社交媒体的结构性问题。这一思路相比传统模拟方法更具表现力和现实性，是其主要创新点。

1. 构建了一个最小化的社交媒体平台模拟环境，允许代理发布、转发和关注行为。 2. 成功再现了社交媒体的三种核心功能障碍：（1）党派回音室；（2）影响力集中在少数精英手中；（3）极化声音被放大，形成‘社交媒体棱镜’。 3. 测试了六种常见的干预策略（如时间线排序、桥接算法等），但发现其效果有限，部分策略甚至导致负面后果。 4. 实验设计基于合成数据，强调平台机制的结构性影响而非用户个体特征。 5. 该工作为未来研究平台设计对社会行为的影响提供了可扩展的模拟框架，值得进一步探索和开源开发。

1. The Filter Bubble: Personalization as a Cause of Polarization (Pariser, 2011) 2. Echo Chambers and Filter Bubbles in Social Media (Dubois & Blank, 2018) 3. Algorithmic Exposure and Political Polarization on Social Media Platforms (Bail et al., 2018) 4. Modeling the Spread of Misinformation and Counter-Messaging in Social Networks (Vosoughi et al., 2018) 5. Agent-Based Modeling of Social Media Dynamics (Tsvetkova et al., 2017) 6. Generative Agents: Interactive Simulations of Human Behavior (Park et al., 2023)